Hvordan AI gjør metalldeteksjon mer viktig enn noen gang

Hver dag passer millioner av mennesker gjennom walk-through metalldetektorer på flyplasser, skoler, konsertarenaer, rettsbygninger og kontorbygninger. En overveldende majoritet tenker knapt til denne prosessen eller det faktum at disse enhetene fungerer som en essensiell brannmur for deres eget velvære. Når en detektor bipper, sees det vanligvis som en mindre irritasjon eller forsinkelse – når årsaken er løst, fortsetter alle med dagen sin.

Det er ingen hemmelighet at vi lever i en verden med økende sikkerhetstendenser, voksende folkemengder og en økning i ulykkelige hendelser. Den forventede virkningen av dette er at sikkerhetsindustrien konfronteres med en høyere etterspørsel enn noen gang for teknologi som ikke bare griper inn i umiddelbar nærhet av en trussel, men kan fungere som en prediktiv, proaktiv barriere for sikkerhet.

Bak den enkle ritualen av å gå gjennom en metalldetektor, kan det overraske deg å lære at en teknologisk revolusjon er i gang i sikkerhetssektoren. Kunstig intelligens og maskinlæring omdefinerer hele konseptet metalldeteksjon, gjør det raskere, smartere og mer presist enn noen gang før.

Balansering av presisjon og etterspørsel

La oss først undersøke industrien fra et overordnet perspektiv. Drevet av faktorene nevnt ovenfor, er det globale sikkerhetsskjeringsmarkedet i rask vekst. Eksperter estimerer at metalldeteksjons- og sikkerhetsskjeringssektoren alene vil være verdsatt til nærmere 10 milliarder dollar i 2028, drevet hovedsakelig av økende offentlige sikkerhetsbekymringer og økende passasjervolum. Flyplasser, stadioner, arenaer og skoler er under enormt press for å flytte mennesker raskt uten å kompromittere sikkerheten.

Den gåte som sikkerhetspersonale står overfor er å balansere grundighetene som kreves for å sikre sikkerhet med bekvemmelighet og effisiens. Vi snakker ofte om hvordan sekundær skjerming kan fylle hullene, men virkeligheten er at når du står overfor titusener av reisende eller publikum, kan du bare ikke åpne hver enkelt bag. Samtidig kan det å gå glipp av en trussel være dødelig. Denne dynamikken setter hele systemet – fra produsenter, til administratorer, til hånd-til-hånd-personale – i en legitim knipe.

Nå, la oss ta en nærmere titt på hvordan teknologien historisk har fungert. Tradisjonelle walk-through metalldetektorer, basert på elektromagnetisk induksjon, har vært pålitelige arbeidshester i tiår, i stand til å prosessere enorme mengder mennesker i en akseptabel takt. Garretts walk-through metalldetektorer, for eksempel, har vært den globale industristandarden i over 40 år, datert tilbake til da vi ble bestilt til å lage vår første walk-through-detektor, MagnaScanner, for Sommer-OL 1984 i Los Angeles.

Til tross for deres “arv” status sammenlignet med andre teknologiske fremgang, er disse detektorene fortsatt en av de mest kosteffektive, høytytende og stabile sikkerhetsløsningene på markedet. Problemet er at de tradisjonelt har manglet intelligensen til å skille mellom en belteknapp og et våpen, hvilket deretter fører til sekundær skjermingsprosessen – og de ovennevnte forsinkelsene. Disse falske alarmene kan føre til menneskelig utmattelse for sikkerhetspersonale, som igjen potensielt kan kompromittere effektiviteten av deres overvåkingsprosess – en effekt som kan føre til konsekvenser ingen ønsker. Dette er nettopp der kunstig intelligens og maskinlæring kommer inn.

Dataene bak deteksjonen

I kjernen er AI omdefinerer metalldeteksjon fra en reaktiv prosess til en prediktiv en. I stedet for bare å lyde en alarm når metall detekteres, kan AI-drevne våpen-detektorer nå analysere formen, tettheten og posisjonen av metalliske objekter ved hjelp av komplekse signal-mønster-gjenkjenning.

Vi bruker AI for å oppnå funksjonsnivåer for testet metalldetekteringsteknologi som ikke tidligere var mulig. Noen stemmer i sikkerhetsskjeringsrommet forkaster metalldetekteringsteknologi som foreldet, men de ignorerer de enorme fremgangene i sofistikasjonen av metalldetekteringsteknologien i de siste årene. Ved å anvende disse fremgangene i maskinlæring til metalldetekteringsteknologi, spesielt som det bidrar til produktutvikling, har metalldetektorer kunnet oppnå presisjon som tidligere ikke var tenkelig. Hos Garrett ble AI brukt til å utvikle en avansert proprietær deteksjonsplattform som bruker maskinlæring for vår Paragon walk-through metalldetektor, en av de mest brukte walk-through-detektorer på planeten. Disse maskinlæringsalgoritmene kan identifisere de subtile forskjellene mellom hverdagsobjekter – som mobiltelefoner eller nøkler – og potensielt farlige objekter, som kniver eller skytevåpen.

Når du går gjennom en AI-forbedret detektor, er det ikke bare å se etter metall – det analyserer tusenvis av datapunkter og klassifiserer hva det ser basert på mønster lært fra millioner av tidligere forsøk under utvikling. Resultatet av dette er øyeblikkelig, nøyaktig deteksjon av multiple trusler og sterkere overordnet sikkerhet. Vår AI-plattform for Paragon forbedrer den totale nøyaktigheten av mål innenfor portalen for enkelt- og fler-mål med over 88% og reduserer falske alarm-rater over tradisjonelle metalldetektorer på markedet med over 5%.

I store arenaer, har selv små effisiensgevinster en enorm innvirkning. En enkelt falsk alarm kan forsinke titalls mennesker; multipliser det med tusenvis av gjester på et stadion eller passasjerer på en flyplass, og forstyrrelsen adderer seg raskt. Disse AI-baserte systemene hjelper med å løse dette. Dataene viser at på flere større amerikanske flyplasser og idrettsarenaer, har walk-through-detektorer drevet av maskinlæring kuttet sekundær bagasje-sjekking og skjermingstider eksponentielt.

Nøkkelen er at disse detektorene ikke bare detekterer – de er pakket med intelligens tilegnet gjennom analyse av tusenvis av potensielle scenarier og sannsynligheter av objekter og miljøfaktorer. Den viktige distinksjonen er at teknologien blir gitt til sikkerhetspersonale etter å ha blitt utdannet med disse sofistikerte maskinlæringsinsiktene under utvikling, i stedet for å “lære på jobben” – dette sikrer en betydelig reduksjon av feil og falske lesninger. Ved å gi trente profesjonelle mulighet til å analysere og intelligently anvende disse insiktene samlet inn av maskinlæring, sikrer det at en mer grundig, konsekvent sikkerhetsstandard etableres og implementeres over alle relevante innstillinger og anvendelser.

Uventede anvendelser

Det finnes også anvendelser utenfor sikkerhet for reise og begivenheter. Skoler og sykehus, for eksempel, adopterer i økende grad AI-drevne detektorer designet for å gjenkjenne våpen samtidig som de blir mer dyktige i å skille mellom hverdagsobjekter, reduserer angst og flaskehalser. Estetikk og teknologi som er gunstig for en sammenhengende, uintrusiv brukeropplevelse kan gå langt i å etablere komfort for pasienter og besøkende samtidig som de minimiserer sikkerhetsrelaterte konfrontasjoner eller hendelser. Noen produkter kan brukes i en “stealth-modus” hvor ingen hørbare alarmer skjer, hvilket bidrar til komforten for besøkende som passerer gjennom sikkerhetsskjeringspunktet. Disse “friksjonsløse” systemene lar mennesker gå gjennom uten å stoppe eller fjerne gjenstander fra bagasjen – et enormt skritt fremover i å gjøre sikkerhet både usynlig og effektiv.

Menneske-AI-samarbeidet

Det er essensielt å merke seg at AI ikke skal erstatte menneskelige sikkerhetspersoner, men støtte dem. Menneske-AI-samarbeidet kan hjelpe med å redusere kognitive overbelastninger for skjeringspersonale, som ikke lenger trenger å manuelt tolke hver enkelt bip eller skanning, men det må implementeres med riktig trening og analyse. For eksempel, som en del av Garretts formelle AI-politikk, lover vi at resultater fra AI-forbedrede designøvelser aldri brukes i produkter gjennom automatiserte eller usuperviderte midler og metoder. Alle AI-utdata som brukes i våre produkter er verifisert av dyktige, erfarne menneskelige agenter, og Garrett gjennomfører omfattende produkttesting i laboratoriet og på feltet for å sikre at alle AI-arbeidsprodukter er effektive og egnet for bruk i våre produkter. Garrett bruker heller ikke AI for å bygge selv-lærende og selv-justerende sikkerhetsprodukter som kan fungere på et tilfredsstillende nivå når de installeres, men som kan endre seg over tid gjennom påvirkning av eksterne faktorer som ikke er promptet av sluttbrukeren.

AI kan hjelpe med å eliminere bias og også etablere større offentlig tillit til sikkerhetssystemer og -personale. Standardisering av våpen-detektor-protokoll sikrer objektive, konsekvente skjerming av alle individer, hjelper med å lettet potensielle spenninger og hendelser som lenge har vært en bekymring i manuell sikkerhetssjekking.

Konklusjon: Den stille revolusjonen ved porten

Ettersom sikkerhetsteknologien fortsetter å utvikle seg, har fremtiden for walk-through metalldeteksjon potensialet til å være mer innflytelsesrik og kritisk enn noen gang takket være en økt avhengighet av AI og maskinlæring. Med AI-assistert metalldeteksjon kan de vanlige fallgruvene ved tradisjonell metalldeteksjon “sjekkpunkter” – forsinkelser, falske positiver osv. – i stor grad lettet, øke gjennomstrømningshastigheten for å skille mellom trussel- og ikke-trussel-objekter i gåhastighet samtidig som de opererer med mer nøyaktighet og presisjon enn noen gang før.

I en tid med økende menneskelig mobilitet, sofistikerte sikkerhetstrusler og økt fokus på sikkerhetssystemer, representerer AI-drevet metalldeteksjon et enormt skritt fremover for å holde samfunnet trygt.